CN109282837A - 基于lstm网络的布拉格光纤光栅交错光谱的解调方法 - Google Patents

基于lstm网络的布拉格光纤光栅交错光谱的解调方法 Download PDF

Info

Publication number
CN109282837A
CN109282837A CN201811239614.XA CN201811239614A CN109282837A CN 109282837 A CN109282837 A CN 109282837A CN 201811239614 A CN201811239614 A CN 201811239614A CN 109282837 A CN109282837 A CN 109282837A
Authority
CN
China
Prior art keywords
bragg grating
data
spectrum
bragg
network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811239614.XA
Other languages
English (en)
Other versions
CN109282837B (zh
Inventor
江灏
邱晓杰
陈静
缪希仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201811239614.XA priority Critical patent/CN109282837B/zh
Publication of CN109282837A publication Critical patent/CN109282837A/zh
Application granted granted Critical
Publication of CN109282837B publication Critical patent/CN109282837B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
    • G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
    • G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
    • G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
    • G01D5/35306—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement
    • G01D5/35309—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement using multiple waves interferometer
    • G01D5/35316—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement using multiple waves interferometer using a Bragg gratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Optical Communication System (AREA)
  • Optical Transform (AREA)

Abstract

本发明涉及一种基于LSTM网络的布拉格光纤光栅交错光谱的解调方法，包括如下步骤：步骤S1:采集布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据；步骤S2:对得到布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据进行预处理，得到训练数据集和测试数据集；步骤S3:根据训练数据集，利用长短时卷积网络初始化训练模型和模型权重；步骤S4:根据训练模型对测试数据集进行评估，若评估的效果没有变化或者模型已经收敛则结束训练，完成解调。本发明通过将卷积网络和长短时记忆网络结合，模型对复杂的传感网络能快速的得到精确的解，同时在对重叠光谱的求解中模型能准确的学习到重叠区域对应的布拉格光纤光栅，精确匹配避免了重叠时的错配，漏检。

Description

基于LSTM网络的布拉格光纤光栅交错光谱的解调方法
技术领域
本发明涉及布拉格光纤光栅交错光谱解调方法领域，具体涉及一种基于LSTM网络的布拉格光纤光栅交错光谱的解调方法。
背景技术
随着光纤通讯技术的发展，光纤光栅传感技术以其具有耐腐蚀、抗干扰、集成化、本征性、低成本、能串接复用等优点迅速成为了传感领域最受欢迎的新技术。光纤光栅就是在光纤内部构建一个折射网络，这个网络能改变光谱的传播，这样我们就能通过入射光谱得到与之发生相应耦合的反射光谱。光纤光栅的反射光谱是一个窄带光谱，这个窄带光谱的中心波长我们称为布拉格波长，光纤光栅传感技术原理就是当光纤光栅受到外力或者温度影响时，布拉格波长就会发生改变，只要测出这个差值就能测出对应的外力或者温度。因此对光谱的解调技术是布拉格光纤光栅传感网络的关键技术。对于发生重叠的反射光谱，在设计传感网络时需要每个布拉格光纤光栅都需要占有一段固定的光谱。由于光谱的带宽是有限的，对布拉格光纤光栅交错光谱的解调技术就成为了布拉格光纤光栅复用的关键。
现在的技术一般对复用布拉格光纤光栅波长检测表述为一个优化问题。其原理是通过给每个布拉格光纤光栅加上一个衰减器使得每个布拉格光纤光栅的反射光谱不同。以2个布拉格光纤光栅并联传感网络为例，假设反射谱的形状为，那么我们可以的到这个并联的反射光谱为：
那么在构造光谱与采样光谱的差值最小化时能取到.因此就可以把求得的最小化的解作为求解布拉格光纤光栅问题的优化数学模型。
基于优化数学模型的求解方式能够很好的求解布拉格光纤光栅传感网络的解调问题，现有的技术中基于差分算法和进化计算算法已经能够很好的解决反射光谱发生部分重叠的问题。但是基于这些的算法的技术在面对大规模的传感网络需要用更长的搜索时间才能搜索到一个精确的解。然而在面对实时性的传感网络中，这些技术就没办法使用。
发明内容
有鉴于此，本发明的目的在于提供一种基于LSTM网络的布拉格光纤光栅交错光谱的解调方法，解决现有检测技术在面对大型的传感网络时搜索时间长，求解精度不足的问题。
为实现上述目的，本发明采用如下技术方案：
一种基于卷积网络的布拉格光纤光栅交错光谱的解调方法，包括如下步骤：
步骤S1:采集布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据；
步骤S2:对得到布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据进行预处理，得到训练数据集和测试数据集；
步骤S3:根据训练数据集，初始化训练模型和模型权重；
步骤S4:根据训练模型对测试数据集进行评估，若评估的效果没有变化或者模型已经收敛则结束训练，完成解调。
进一步的，所述步骤S1具体为：
步骤S11:传感网络在布拉格光纤光栅反射光谱上加上衰减器使得每个布拉格波长的反射谱具有不同的谱型；
步骤S12:通过3db光耦合器进入光谱分析仪,得到布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据。
进一步的，所述步骤S2具体为：
步骤S21:将得到的布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据进行清洗，去掉数值不正常的值；
步骤S22:采用Z-score标准化方法对清洗后的布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据进行归一化处理,得到归一化后的数据；
步骤S23:将归一化的数据存储为矩阵格式；并按随机抽样为8:2的比例分为训练数据集合测试数据集。
进一步的，所述步骤S3具体为：
步骤S31:采用Xavier算法初始化模型权重；
步骤S32:将训练数据集输入至卷积网络中进行滤波和特征提取得到特性向量；
步骤S33:将特性向量输入长短记忆网络进行进一步处理，提取得到抽象的特性向量；
步骤S34:将得到抽象的特性向量分为两个方向，一个为经过一个全连接层输出（N，1，M）矩阵，另一个也经过一个全连接层输出（N，10，M）矩阵，其中N为样本个数，M为布拉格光纤光栅个数。
进一步的，所述步骤S4具体为：
采用RMS来衡量测量误差，计算公式如下：
将得到的RMS计算出梯度去训练模型的权重，在训练过程中模型收敛后可手动停止模型的训练，
本发明与现有技术相比具有以下有益效果：
1、本发明通过将卷积网络和长短时记忆网络结合，模型对复杂的传感网络能快速的得到精确的解，同时在对重叠光谱的求解中模型能准确的学习到重叠区域对应的布拉格光纤光栅，精确匹配避免了重叠时的错配，漏检。
2、本发明通过两个方向分别学习到重叠时的波峰的中心波长和重叠布拉格光纤光栅类型，最后在拼接得到的特征。通过这个方法模型在训练的时候实现了端到端的训练，一个特性多次复用，减小了模型的训练时间和大小。同时这种拼接也可适用于串联、并联大型传感网络，不需要对不同类型的网络适配。
附图说明
图1是本发明方法流程图；
图2是本发明采集数据示意图；
图3是本发明训练长短时记忆卷积网络模型构建模型参数框架图；
图4是本发明标签示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于LSTM网络的布拉格光纤光栅交错光谱的解调方法，包括如下步骤：
步骤S1:采集布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据；
步骤S11:传感网络在布拉格光纤光栅反射光谱上加上衰减器使得每个布拉格波长的反射谱具有不同的谱型；
步骤S12:通过3db光耦合器进入光谱分析仪,得到布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据。
步骤S2:对得到布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据进行预处理，得到训练数据集和测试数据集；
步骤S21:将得到的布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据进行清洗，去掉数值不正常的值；本实施例取布拉格波长在（1550，1552）之间的数据；
步骤S22:采用Z-score标准化方法对清洗后的布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据进行归一化处理,得到归一化后的数据；
其中，Z-score标准化方法：这种方法是对原始数据的均值和标准差进行数据的标准化，经过处理后的数据满足正态分布，即均值为0，标准差为1，转化的公式为：
其中为所有样本数据的均值，为所有数据的标准差；
步骤S23:将归一化的数据存储为矩阵格式；并按随机抽样为8:2的比例分为训练数据集合测试数据集。
步骤S3:根据训练数据集，初始化训练模型和模型权重；
步骤S31:采用Xavier算法初始化模型权重；初始化模型权重如果已经存在不同类型的传感网络模型，那么可以使用迁移学习将权重赋值给新的训练网络。
步骤S32:将训练数据集输入至卷积网络中进行滤波和特征提取得到特性向量；卷积网络中采用了一维卷积核，核的大小为（1，4），该大小可根据波长来调节。
步骤S33:将特性向量输入长短记忆网络进行进一步处理，按照网络要求，特性向量被分割为间隔大小固定的时间序列分别按顺序输入到网络中，本实施例选用隐藏层为500个节点的单层长短时记忆网络，节点的大小可根据输入数据的维度调整，提取得到抽象的特性向量；
步骤S34:将得到抽象的特性向量分为两个方向，一个为经过一个全连接层输出（N，1，M）矩阵，另一个也经过一个全连接层输出（N，10，M）矩阵，其中N为样本个数，M为布拉格光纤光栅个数。
步骤S4:根据训练模型对测试数据集进行评估，若评估的效果没有变化或者模型已经收敛则结束训练，完成解调。
本实施例采用RMS来衡量测量误差，计算公式如下：
将得到的RMS计算出梯度去训练模型的权重。在训练过程中模型收敛后可手动停止模型的训练，
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种基于LSTM网络的布拉格光纤光栅交错光谱的解调方法，其特征在于，包括如下步骤：
步骤S1:采集布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据；
步骤S2:对得到布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据进行预处理，得到训练数据集和测试数据集；
步骤S3:根据训练数据集，初始化训练模型和模型权重；
步骤S4:根据训练模型对测试数据集进行评估，若评估的效果没有变化或者模型已经收敛则结束训练，完成解调。
2.根据权利要求1所述的基于LSTM网络的布拉格光纤光栅交错光谱的解调方法，其特征在于：所述步骤S1具体为：
步骤S11:传感网络在布拉格光纤光栅反射光谱上加上衰减器使得每个布拉格波长的反射谱具有不同的谱型；
步骤S12:通过3db光耦合器进入光谱分析仪,得到布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据。
3.根据权利要求1所述的基于卷积网络的布拉格光纤光栅交错光谱的解调方法，其特征在于：所述步骤S2具体为：
步骤S21:将得到的布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据进行清洗，去掉数值不正常的值；
步骤S22:采用Z-score标准化方法对清洗后的布拉格光纤光栅反射光谱数据以及对应的布拉格波长数据进行归一化处理,得到归一化后的数据；
步骤S23:将归一化的数据存储为矩阵格式；并按随机抽样为8:2的比例分为训练数据集合测试数据集。
4.根据权利要求1所述的基于LSTM网络的布拉格光纤光栅交错光谱的解调方法，其特征在于：所述步骤S3具体为：
步骤S31:采用Xavier算法初始化模型权重；
步骤S32:将训练数据集输入至卷积网络中进行滤波和特征提取得到特性向量；
步骤S33:将特性向量输入长短记忆网络进行进一步处理，提取得到抽象的特性向量；
步骤S34:将得到抽象的特性向量分为两个方向，一个为经过一个全连接层输出（N，1，M）矩阵，另一个也经过一个全连接层输出（N，10，M）矩阵，其中N为样本个数，M为布拉格光纤光栅个数。
5.根据权利要求4所述的基于卷积网络的布拉格光纤光栅交错光谱的解调方法，其特征在于：所述步骤S4采用RMS来衡量测量误差，计算公式如下：
将得到的RMS计算出梯度去训练模型的权重，在训练过程中模型收敛后停止模型的训练。
CN201811239614.XA 2018-10-24 2018-10-24 基于lstm网络的布拉格光纤光栅交错光谱的解调方法 Active CN109282837B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811239614.XA CN109282837B (zh) 2018-10-24 2018-10-24 基于lstm网络的布拉格光纤光栅交错光谱的解调方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811239614.XA CN109282837B (zh) 2018-10-24 2018-10-24 基于lstm网络的布拉格光纤光栅交错光谱的解调方法

Publications (2)

Publication Number Publication Date
CN109282837A true CN109282837A (zh) 2019-01-29
CN109282837B CN109282837B (zh) 2021-06-22

Family

ID=65177118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811239614.XA Active CN109282837B (zh) 2018-10-24 2018-10-24 基于lstm网络的布拉格光纤光栅交错光谱的解调方法

Country Status (1)

Country Link
CN (1) CN109282837B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743103A (zh) * 2019-02-01 2019-05-10 福州大学 基于elm的fbg传感网络节点故障修复方法
CN110185938A (zh) * 2019-05-06 2019-08-30 武汉理工大学 一种分布式声波管道在线监测系统
CN113959979A (zh) * 2021-10-29 2022-01-21 燕山大学 基于深度Bi-LSTM网络的近红外光谱模型迁移方法
CN114323105A (zh) * 2021-12-23 2022-04-12 中山大学 一种光纤光栅光谱分析方法、系统、存储介质
CN115014404A (zh) * 2022-05-09 2022-09-06 武汉理工大学 一种基于深度学习的高精度高速光纤光栅解调方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160099010A1 (en) * 2014-10-03 2016-04-07 Google Inc. Convolutional, long short-term memory, fully connected deep neural networks
CN106782602A (zh) * 2016-12-01 2017-05-31 南京邮电大学 基于长短时间记忆网络和卷积神经网络的语音情感识别方法
CN106845351A (zh) * 2016-05-13 2017-06-13 苏州大学 一种用于视频的基于双向长短时记忆单元的行为识别方法
CN107068167A (zh) * 2017-03-13 2017-08-18 广东顺德中山大学卡内基梅隆大学国际联合研究院 融合多种端到端神经网络结构的说话人感冒症状识别方法
CN107239445A (zh) * 2017-05-27 2017-10-10 中国矿业大学 一种基于神经网络的新闻事件抽取的方法及系统
CN107368798A (zh) * 2017-07-07 2017-11-21 四川大学 一种基于深度学习的人群情绪识别方法
CN108194143A (zh) * 2017-12-25 2018-06-22 陕西煤业化工技术研究院有限责任公司 基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法
CN108256238A (zh) * 2018-01-22 2018-07-06 武汉理工大学 一种基于深度学习的光纤光栅波长解调方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160099010A1 (en) * 2014-10-03 2016-04-07 Google Inc. Convolutional, long short-term memory, fully connected deep neural networks
CN106845351A (zh) * 2016-05-13 2017-06-13 苏州大学 一种用于视频的基于双向长短时记忆单元的行为识别方法
CN106782602A (zh) * 2016-12-01 2017-05-31 南京邮电大学 基于长短时间记忆网络和卷积神经网络的语音情感识别方法
CN107068167A (zh) * 2017-03-13 2017-08-18 广东顺德中山大学卡内基梅隆大学国际联合研究院 融合多种端到端神经网络结构的说话人感冒症状识别方法
CN107239445A (zh) * 2017-05-27 2017-10-10 中国矿业大学 一种基于神经网络的新闻事件抽取的方法及系统
CN107368798A (zh) * 2017-07-07 2017-11-21 四川大学 一种基于深度学习的人群情绪识别方法
CN108194143A (zh) * 2017-12-25 2018-06-22 陕西煤业化工技术研究院有限责任公司 基于Hopfield神经网络的砌体梁变形监测系统及监测预警方法
CN108256238A (zh) * 2018-01-22 2018-07-06 武汉理工大学 一种基于深度学习的光纤光栅波长解调方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAO JIANG等: "Wavelength Detection in Spectrally Overlapped FBG Sensor Network Using Extreme Learning Machine", 《IEEE PHOTONICS TECHNOLOGY LETTERS》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109743103A (zh) * 2019-02-01 2019-05-10 福州大学 基于elm的fbg传感网络节点故障修复方法
CN110185938A (zh) * 2019-05-06 2019-08-30 武汉理工大学 一种分布式声波管道在线监测系统
CN113959979A (zh) * 2021-10-29 2022-01-21 燕山大学 基于深度Bi-LSTM网络的近红外光谱模型迁移方法
CN113959979B (zh) * 2021-10-29 2022-07-29 燕山大学 基于深度Bi-LSTM网络的近红外光谱模型迁移方法
CN114323105A (zh) * 2021-12-23 2022-04-12 中山大学 一种光纤光栅光谱分析方法、系统、存储介质
CN114323105B (zh) * 2021-12-23 2024-02-27 中山大学 一种光纤光栅光谱分析方法、系统、存储介质
CN115014404A (zh) * 2022-05-09 2022-09-06 武汉理工大学 一种基于深度学习的高精度高速光纤光栅解调方法

Also Published As

Publication number Publication date
CN109282837B (zh) 2021-06-22

Similar Documents

Publication Publication Date Title
CN109282837A (zh) 基于lstm网络的布拉格光纤光栅交错光谱的解调方法
CN105606566A (zh) 一种透明介质膜层折射率及厚度在线测量方法
CN102879357A (zh) 一种微纳光纤布拉格光栅折射率传感器及其制作方法
CN102175638A (zh) 一种快速无损检测黄酒成分含量的装置
CN110324081A (zh) 分布式多节点协同的光纤布拉格光栅传感器故障定位方法
CN105352554A (zh) 一种光纤光栅pH/温度传感器及制备方法和探测系统
CN207540631U (zh) 一种光纤光栅水位监测装置
CN114265001B (zh) 一种智能电表计量误差评估方法
CN112539772B (zh) 一种基于卷积神经网络集成学习的Sagnac分布光纤传感系统的定位方法
CN106202971A (zh) 基于folium模型叶片色素遥感反演方法
Xu et al. Accurate strain extraction via kernel extreme learning machine for fiber Bragg grating sensor
TWI700907B (zh) 光纖迴路障礙診斷方法
Li et al. Robust convolutional neural network model for wavelength detection in overlapping fiber Bragg grating sensor network
CN202002879U (zh) 一种黄酒成分含量检测装置
CN108254000A (zh) 一种基于改进模拟退火法的fbg传感网光谱解调方法
CN217877561U (zh) 一种在线监测太阳电池膜厚和折射率的装置
CN114679216A (zh) 一种基于otdr提升分析精度的算法和装置
CN113891189A (zh) 一种新型fbg传感网络的设计
Chen et al. High-performance and low-cost FBG strain sensor demodulation system assisted by artificial neural network algorithm
Deng et al. A deep learning algorithm ADPNet for strain and temperature decoupling of fiber bragg gratings
Liu et al. Wavelength detection technique of overlapping spectra in the serial WDM FBGs by convolutional neural network
Efendioglu et al. Design of hetero-core smart fiber optic macrobend sensors
CN202648678U (zh) 光纤探头和采用该光纤探头的复合式液体光纤浓度计
Zhou et al. Application of Distributed Estimation Algorithm in Wavelength Demodulation of Overlapping Spectra of Fiber Bragg Grating Sensor Networks
CN105699043A (zh) 一种提高风洞传感器测量稳定性和精准度的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant